### Python Pandas DataFrame 常用操作 #### 创建 DataFrame 可以通过多种方式创建 `DataFrame`，以下是几种常见的方式： 1. **从字典创建** 使用字典作为输入来构建 `DataFrame`，其中键表示列名，值是一个列表[^2]。 ```python import pandas as pd data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]} df = pd.DataFrame(data) print(df) ``` 2. **从 NumPy 数组创建** 如果有结构化的数组数据，可以直接将其转换为 `DataFrame`[^3]。 ```python import numpy as np import pandas as pd array = np.array([[1, 2], [3, 4]]) df = pd.DataFrame(array, columns=['Column1', 'Column2']) print(df) ``` #### 读取和写入文件 Pandas 提供了丰富的函数用于处理不同类型的文件格式。 1. **读取 CSV 文件** 使用 `read_csv()` 函数可以轻松加载 `.csv` 文件中的数据[^4]。 ```python df = pd.read_csv('data.csv') print(df.head()) # 显示前几行数据 ``` 2. **保存到 CSV 文件** 将 `DataFrame` 数据导出至 `.csv` 文件，使用 `to_csv()` 方法[^5]。 ```python df.to_csv('output.csv', index=False) # 不保存索引 ``` 3. **其他文件格式支持** 支持 Excel、JSON 和 SQL 等多种形式的数据交互[^6]。 ```python # 读取 Excel 文件 excel_df = pd.read_excel('data.xlsx') # 导出 JSON 文件 json_data = df.to_json(orient='records') ``` #### 切片与选择子集 切片是数据分析中最常见的需求之一，下面是一些常用的技巧。 1. **按位置选取 (iloc)** 使用基于整数的位置索引来访问特定的行列组合[^7]。 ```python row_1_column_2 = df.iloc[1, 2] subset_rows_columns = df.iloc[:3, :2] # 获取前三行两列 ``` 2. **按标签选取 (loc)** 当需要依据实际的行或列名称时，可采用 `loc` 进行定位[^8]。 ```python value_by_label = df.loc['row_name', 'column_name'] rows_with_condition = df.loc[df['Age'] > 30, :] ``` 3. **布尔索引** 可以利用条件表达式筛选满足某些标准的数据项[^9]。 ```python filtered_df = df[df['Age'] >= 30] multiple_conditions = df[(df['Age'] > 25) & (df['Name'].str.startswith('A'))] ``` #### 总结 以上展示了如何在 Pandas 中执行基础的操作，包括但不限于创建 `DataFrame` 的方法、文件的导入/导出以及灵活运用切片功能获取所需部分。这些技能对于日常数据预处理工作至关重要。